ADVERTORIAL
Digitalisierung und die Transformation zum datengetriebenen Unternehmen stehen bei Banken immer öfter oben auf ihrer Agenda. Und das ist gut so. Aber geht die Strategie auch wirklich weit genug? Die meisten Kreditinstitute in Deutschland nutzen bereits prädiktive Analytik, zum Beispiel in Form von regulatorischen Kreditrisikomodellen. Einige versuchen auch, die Leistung dieser Modelle durch den Einsatz von Künstlicher Intelligenz (KI) und maschinellem Lernen zu erhöhen.
Die richtigen Entscheidungen treffen
Doch erst durch individuelle Optimierung lassen sich deutliche Sprünge bei Kreditvolumen und Rentabilität erreichen. Ziel muss es sein, für jeden Kunden automatisiert und datengetrieben die ideale Entscheidung zu treffen. Dazu müssen immer wieder neue Szenarien analysiert, Auswirkungen auf Portfolios projiziert und angepasste Entscheidungsstrategien zur Erreichung von Key Performance Indicators (KPIs) zeitnah implementiert werden. Nur so lässt sich das Beste aus Daten und digitalen Prozessen herausholen.
Es genügt nicht zu wissen, was in Zukunft passieren wird. Unternehmen müssen auch wissen, mit welchen Maßnahmen sie am Ende des Tages die Rentabilität erhöhen und andere wichtige Unternehmensziele erreichen können. In diesem Sinne entwickeln Entscheidungsmodellierung und Optimierung die prädiktive Analytik weiter – zur präskriptiven Analytik.
Hierbei werden mithilfe von KI unterschiedliche Szenarien simuliert. Die Herausforderung dabei ist, dass für jeden Kunden viele verschiedene Entscheidungen infrage kommen. Jede dieser Optionen wirkt sich anders auf das Erreichen der Portfolioziele aus. Und für jede muss man nicht nur die zu erwartenden Erträge, Verluste und Kosten, sondern auch die prognostizierte Reaktion des Kunden berücksichtigen.
Interne und externe Restriktionen definieren den Raum, in dem man sich bewegen kann. Mit KI-basierter Entscheidungsmodellierung und mathematischer Optimierung gelingt es, komplexe Szenarien durchzuspielen und sämtliche Aktionen unter die Lupe zu nehmen, die für jeden Kunden möglich sind. So lassen sich etwa mit der Decision-Optimizer-Lösung von FICO alternative Entscheidungen zeitnah testen, berechnen und im Rahmen der definierten Restriktionen die Erreichung der Portfolioziele projizieren.
Für ein flexibleres Portfoliomanagement können Komponentenmodelle entwickelt werden, um die Ergebnisse detailliert zu untersuchen und zu visualisieren, sodass Anwender verschiedene Strategien vergleichen können. Durch den Einsatz von maschinellem Lernen, Aktions- und Wirkungsmodellierung und Optimierung können analytischere, flexiblere und integrierte Portfoliomanagementansätze entwickelt werden, was wiederum eine Gewinnsteigerung des Portfolios ermöglicht.
Ein großer Vorteil der KI-basierten Optimierung: Man braucht keine hochspezialisierten Fachkräfte, um die projizierten Portfolioergebnisse darstellen und verstehen zu können. Es sind auch keine aufwendigen IT-Projekte durchzuführen, um Entscheidungsstrategien zu entwickeln und operativ umzusetzen.
Mensch und KI arbeiten als Dream-Team
Überflüssig ist der Mensch damit aber noch lange nicht. Auch wenn KI die Antwort auf die Frage liefert, welche Auswirkungen bestimmte Aktionen nach sich ziehen – nach wie vor müssen erfahrene Mitarbeiter entscheiden, welche Ziele innerhalb welcher Rahmenbedingungen angestrebt werden. Ihnen gibt ein transparentes und datengetriebenes Portfoliomanagement jedoch mehr Sicherheit bei der Entscheidungsfindung.
Angenommen, das Sales Team plant, den Zinssatz zu senken, um mehr Kredite zu verkaufen. In diesem Fall würde die Modellierung möglicherweise zeigen, dass dadurch zwar ein höheres Verkaufsvolumen erreicht wird, man aber auch mit zehn Prozent Ertragseinbußen rechnen muss. Ob Vor- oder Nachteile überwiegen und welche alternativen Strategien geeignet sind, konkurrierende Ziele auszubalancieren, müssen letztlich also Menschen entscheiden. Doch KI-basierte Optimierung liefert die nötigen Daten und Fakten, um gemeinsam die beste Strategie festzulegen.
Tipp: Sie möchten gern weitere spannende Beiträge zum Thema KI lesen? Dann könnte Sie unsere Rezension über „Künstliche Intelligenz in der Anwendung“ interessieren oder erfahren Sie hier, wie sich KI und Conversational Banking in der Praxis verträgt.
